データ・AI・実験を一体化する材料研究：

• 私の研究では、材料科学に共通する根本的な課題、すなわち「実験コストが高い」「データが少ない」「探索空間が極めて大きい」「材料性能が組成や構造だけでなく、合成履歴、プロセス条件、微細組織にも依存する」という問題に取り組んでいます。

• スモールデータ学習と分子設計。SMILES-Xでは、タスクごとに人手で設計した記述子を用いることなく、SMILES文字列から直接分子物性を学習し、注意機構によって予測の解釈も可能にしました。この研究は、少量データに適した分子物性予測および逆分子設計へと発展しています。

• アクティブラーニングとベイズ最適化。過去の実験データを学習するだけでなく、「次にどの実験を行うべきか」を機械学習モデル自身が提案する研究を進めています。接着剤組成、永久磁石、熱電材料をはじめ、多様な材料組成・プロセス最適化へ適用してきました。熱電材料では数回の実験サイクルで大幅な性能向上を実現し、Nd–Fe–B磁石では高い磁気特性を得るための製造条件探索へ適用しました。

• 自律・ロボット実験。Li–O2二次電池研究では、データ科学と自動電気化学実験ロボットを直接連携させ、多成分電解液の巨大な探索空間から有望な組成を効率的に探索し、実験的に検証された電解液候補へ到達しました。

• 材料表現を横断する生成AI。生成AIを分子構造だけでなく材料微細組織にも展開しています。例えば、限られた顕微鏡画像から高い現実性をもつ合金微細組織を生成するため、StyleGAN系モデルを材料科学へ適用しました。現在は、無機結晶生成、生成分布の評価、独立した物理モデルによる検証などへ研究を拡張しています。

• 科学言語モデルと知識抽出。大規模言語モデルが材料科学をどこまで理解できるのかを定量的に評価するとともに、科学論文から実験情報を構造化して抽出する研究を進めています。

• 信頼できるAIと合成起点の材料探索へ。現在は、不確かさの較正、分布外汎化、数値計算の不確かさ、AI生成候補の独立検証などにも取り組んでいます。さらに、合成プロトコル・構造・物性の関係をAIが学習し、実際に実行可能で再現性のある合成経路を提案する「合成起点」の材料探索を重要な研究方向としています。

共同研究・社会実装・国際的な研究人材育成：

• 私の研究の大きな特徴は、AI手法をベンチマークデータだけで評価するのではなく、各分野の専門研究者と共同で開発し、実際の材料研究課題へ適用・検証することです。

• NIMS内では、データ駆動型材料研究に加えて、磁性材料、エネルギー材料、熱電材料、構造材料、材料合成など、多様な研究分野との連携を進めています。国際的には、CNRS–Saint-Gobain–NIMS国際連携研究所LINKをはじめ、フランスを中心とした海外の大学・研究機関との共同研究を展開しています。また、鉄鋼・合金微細組織、磁石、ポリマー・接着剤、機能材料、材料組成、製造プロセス最適化など、産業応用に直結する研究にも取り組んでいます。JFEスチールとの合金微細組織生成研究は、その公開事例の一つです。

• 私は多くのプロジェクトにおいて、材料科学、物理、計算科学、実験の境界領域を担当しています。すなわち、実験研究者の科学的な問いをAIで扱える問題へ変換し、限られたデータから何が本当に学習可能かを検討し、計算ワークフローを構築・検証し、次に行うべき実験を提案し、最終的に得られた結果を材料科学として解釈することを重視しています。

• この考え方は学生・インターンの指導にも反映しています。欧州、北米、アジアなど世界各国の大学からNIMSへ来訪する学生や研究インターンを継続的に指導・共同指導しています。研究テーマは、アクティブラーニング、ベイズ最適化、生成AI、結晶生成と検証、合成・プロセス・物性関係、科学情報抽出、不確かさ定量化、AIによる実験設計など、多岐にわたります。

指導では単に機械学習手法を習得するだけでなく、

科学的問い → データと仮説 → 計算手法 → 不確かさと検証 → 実験・物理的解釈 → 再現可能な研究成果

という研究の全プロセスを経験することを重視しています。

• これらの研究の多くは、学術論文、再利用可能なソフトウェア、研究データセット、特許、あるいは長期的な国際共同研究へ発展することを念頭に設計しています。

• 最終的な目標は、AIによって研究者の専門知識を置き換えることではなく、科学的理解、実験判断、物理的洞察をAIによって増幅する新しい材料研究環境を構築することです。